CN114146329A - 一种引入伽玛通过率优化目标的放射治疗计划优化系统 - Google Patents

Abstract

本发明提供了一种引入伽玛通过率优化目标的放射治疗计划优化系统，包括图像处理模块、射野布置模块、剂量计算模块、伽玛通过率预测模块、处方剂量设置模块、伽玛通过率设置模块、计划优化模块、计划输出模块，通过在放射治疗计划的多目标优化模型中引入伽玛通过率优化目标，优化过程中调用基于深度学习模型的伽玛通过率预测模块进行计算更新射野强度分布，实时个体化的评估和调整不同感兴趣区域的伽玛通过率目标，输出同时满足临床处方剂量和伽玛通过率要求的放射治疗计划。本发明提高了放射治疗计划伽玛通过率，解决了因放射治疗计划伽玛通过率不达标，需要重复多次制定和验证放射治疗计划的问题，提高了放射治疗流程实施的效率。

Description

一种引入伽玛通过率优化目标的放射治疗计划优化系统

技术领域

本发明涉及放射治疗计划优化系统领域，具体涉及一种引入伽玛通过率优化目标的放射治疗计划优化系统。

背景技术

肿瘤是威胁人类生命健康和导致人类死亡的重大疾病之一，放射治疗是治疗肿瘤的一种有效方法。现代精确放射治疗的实施需要借助放射治疗计划优化系统制定放射治疗计划对患者进行照射，达到给予肿瘤靶区致死剂量，同时尽量降低靶区周围危及器官所受剂量的目的。放射治疗计划优化系统提供的放射治疗计划的剂量分布是根据数学模型计算得到的结果，为了保证实际照射的准确性，在放射治疗开始前，需要借助剂量验证设备，包括胶片、矩阵电离室、电子射野影像装置和穿透式电离室等，对制定的放射治疗计划进行测量，比较放射治疗计划计算的剂量分布和使用验证设备测量的剂量分布之间的一致性。目前评价放射治疗计划验证准确性通常采用伽玛通过率方法，当满足预设标准(例如排除验证设备小于最大测量剂量10％的测量点，剂量值偏差限值2％，等剂量距离偏差限值2mm，伽玛限值<1.0)的验证设备内测量点比例大于预设限值(例如95％)则认为放射治疗计划通过准确性评估，可以用于患者的放射治疗。

现有的放射治疗计划优化系统建立的多目标优化数学模型中，优化目标为靶区和危及器官的处方剂量目标(例如最大剂量、最小剂量、平均剂量、大于指定剂量的最大体积和大于指定剂量的最小体积的要求等)，但未引入放射治疗计划伽玛通过率目标，因此为了达到照射准确性要求的伽玛通过率目标，放射治疗计划制定是一个反复试错的过程(例如申请号201880072734.7，发明名称为“放射疗法治疗计划优化工作流程”的专利，就没有考虑伽玛通过率目标的问题)。当验证放射治疗计划后得到的伽玛通过率低于预设限值时，物理师需要分析放射治疗计划不通过的原因，重新制定放射治疗计划，包括修改处方剂量目标的参数值、目标权重和射野调强复杂度的参数值，重新优化放射治疗计划射野强度分布，并再次验证修改后的放射治疗计划，如果放射治疗计划伽玛通过率仍然不达标，则需要重复制定和验证放射治疗计划这一过程，直至放射治疗计划伽玛通过率满足限值要求。因此，在初次放射治疗计划伽玛通过率不达标的情况下，需要耗费大量人力物力重新制定和验证放射治疗计划，并且由于在优化过程中无法实时评估放射治疗计划伽玛通过率，修改后的计划仍然存在伽玛通过率不达标的情况，因此延误了患者接受放射治疗的时间，降低了放射治疗流程实施的效率。

发明内容

发明目的：为解决背景技术中存在的技术问题，本发明提出一种引入伽玛通过率优化目标的放射治疗计划优化系统，以提高放射治疗计划伽玛通过率，解决因放射治疗计划伽玛通过率不达标，需要重复多次制定和验证放射治疗计划的问题，提高放射治疗流程实施的效率。

本发明为解决上述技术问题采用以下技术方案：

一种引入伽玛通过率优化目标的放射治疗计划优化系统，包括：图像处理模块、射野布置模块、剂量计算模块、伽玛通过率预测模块、处方剂量设置模块、伽玛通过率设置模块、计划优化模块和计划输出模块；

所述图像处理模块用于获取患者影像资料和分割影像的感兴趣区域ROI；

所述射野布置模块用于设置放射治疗计划的射野参数；

所述剂量计算模块用于根据射野强度分布计算患者体内三维剂量分布；

所述伽玛通过率预测模块用于预测不同感兴趣区域ROI的小于不同伽玛限值的伽玛通过率；

所述处方剂量设置模块用于设置处方剂量目标；

所述伽玛通过率设置模块用于设置不同感兴趣区域ROI的小于不同伽玛限值的伽玛通过率目标R_jk，R_jk表示第j个感兴趣区域ROI的第k个伽玛通过率目标的参数值；

所述计划优化模块用于根据处方剂量目标和感兴趣区域ROI伽玛通过率目标建立多目标优化模型，得到最优计划；

所述计划输出模块用于输出最优计划。

所述剂量计算模块用于根据射野强度分布计算患者体内三维剂量分布，包括：采用如下公式进行计算：

其中d_i为计算体积内第i个感兴趣点POI的剂量计算值，f_j(j＝1,…,N_b)表示射野强度分布，f_j为第j个单元束的强度，N_b为单元束的总数；k_ji为剂量沉积核密度表示单位强度的第j个单元束给予第i个感兴趣点POI的照射剂量。

所述伽玛通过率预测模块用于预测不同感兴趣区域ROI的小于不同伽玛限值的伽玛通过率，具体包括如下步骤：

步骤1：获取历史计划的射野强度分布、测量点位置信息和测量点伽玛值；

步骤2：将步骤1得到的数据预处理为样本，并将样本划分为训练集和测试集；

步骤3：建立深度学习模型，所述训练集用于训练深度学习模型，所述测试集用于测试所述深度学习模型预测的准确性；

步骤4：将待预测放射治疗计划的射野强度分布和不同感兴趣区域ROI内感兴趣点POI的位置信息输入训练好的深度学习模型，预测感兴趣点POI的伽玛值，实现个体化的计算不同感兴趣区域ROI的小于不同伽玛限值的伽玛通过率，公式如下：

其中r_jk表示第j个感兴趣区域ROI的第k个伽玛通过率计算值，T_jk表示计算对应伽玛通过率采用的伽玛限值；δ(·)表示当括号中条件满足时取值为1，否则取值为0；g_ji表示第j个感兴趣区域ROI内第i个感兴趣点POI的预测伽玛值；NP_j表示第j个感兴趣区域ROI内的感兴趣点POI的总数。

步骤2包括：将射野强度分布和测量点位置信息，以测量点为中心，插值、裁剪和集成为多通道特征块作为样本的输入值，将测量点伽玛值作为样本的目标值。

步骤3中，所述深度学习模型使用U-Net神经网络，包括：输入层、编码层、解码层、跳跃连接和输出层。

所述处方剂量设置模块用于设置处方剂量目标，具体包括：肿瘤靶区处方剂量D_P、肿瘤靶区照射剂量大于D_L的体积

的最小值约束

肿瘤靶区照射剂量大于D_U的体积

的最大值约束

危及器官OAR照射剂量大于D的体积

的最大值约束

所述计划优化模块用于根据处方剂量目标和感兴趣区域ROI伽玛通过率目标建立多目标优化模型，具体公式如下：

其中F_D为肿瘤靶区PTV接受均匀处方剂量D_P照射的子目标函数，w_i为对应感兴趣点的目标权重，N_D为肿瘤靶区内感兴趣点总数，F_D表示当感兴趣点POI的计算剂量偏离D_P时给予惩罚，保证肿瘤靶区受到均匀的照射剂量；F_R为不同感兴趣区域ROI的伽玛通过率子目标函数，r_jk表示对应伽玛通过率目标的计算值，w_jk为对应的目标权重，NR表示感兴趣区域ROI的总数，NT_j为第j个感兴趣区域ROI的伽玛通过率目标的总数，F_R表示当ROI计算伽玛通过率r_jk低于目标值R_jk时给予惩罚，指数q控制了惩罚的力度，迫使计算伽玛通过率达到预设目标值；由F_D和F_R加权构成待优化的总体目标函数F，以使优化前进的方向同时兼顾两种目标的实现，w_D和w_R为子目标函数权重，控制两种子目标的优先级；不等式为肿瘤靶区和危及器官的剂量体积约束条件，对剂量分布进一步施加约束；

在优化过程中，使用非线性优化算法调用剂量计算模块计算d_i和伽玛通过率预测模块计算r_jk，按迭代公式更新射野强度分布f_j(j＝1,…,N_b)，通过实时绘制伽玛通过率和伽玛限值累积直方图(描述感兴趣区域内感兴趣点的伽玛值小于指定伽玛限值的比例)可以个体化的评估和调整不同感兴趣区域ROI的伽玛通过率目标，在保证处方剂量目标的基础上不断逼近伽玛通过率目标，得到最优计划。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

本发明提出一种引入伽玛通过率优化目标的放射治疗计划优化系统，通过构建基于深度学习模型的伽玛通过率预测模块进行体素级地预测不同感兴趣点POI的伽玛值，保留了伽玛值的空间分布信息，实现个体化的计算不同感兴趣区域ROI的小于不同伽玛限值的伽玛通过率，通过在放射治疗计划的多目标优化模型中引入伽玛通过率优化目标，优化过程中调用伽玛通过率预测模块进行计算，按非线性优化算法的迭代公式更新射野强度分布，通过实时绘制伽玛通过率-伽玛限值累积直方图可以个体化的评估和调整不同感兴趣区域的伽玛通过率目标，输出同时满足临床处方剂量和伽玛通过率要求的放射治疗计划。本发明提高了放射治疗计划伽玛通过率，解决了因放射治疗计划伽玛通过率不达标，需要重复多次制定和验证放射治疗计划的问题，提高了放射治疗流程实施的效率。

附图说明

下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。

图1是本发明的系统流程图。

图2是伽玛通过率-伽玛限值累积直方图的示意图。

图3是基于深度学习模型的伽玛通过率预测模块的工作流程图。

图4是伽玛通过率预测模块采用的U-net神经网络结构的示意图。

图5是实施例和对比例放射治疗计划优化系统优化输出的典型射野测量结果对比图

具体实施方式

如图1所示，本发明提供了一种引入伽玛通过率优化目标的放射治疗计划优化系统，包括：图像处理模块、射野布置模块、剂量计算模块、伽玛通过率预测模块、处方剂量设置模块、伽玛通过率设置模块、计划优化模块和计划输出模块；

所述图像处理模块用于获取患者影像资料和分割影像的感兴趣区域ROI；

所述射野布置模块用于设置放射治疗计划的射野参数；

所述剂量计算模块用于根据射野强度分布计算患者体内三维剂量分布，公式如下：

其中d_i为计算体积内第i个感兴趣点POI的剂量计算值，f_j(j＝1,…,N_b)表示射野强度分布，f_j为第j个单元束的强度，N_b为单元束的总数；k_ji为剂量沉积核密度表示单位强度的第j个单元束给予第i个感兴趣点POI的照射剂量；

所述伽玛通过率预测模块用于预测不同感兴趣区域ROI的小于不同伽玛限值的伽玛通过率；

所述处方剂量设置模块用于设置处方剂量目标，包括：肿瘤靶区处方剂量D_P，肿瘤靶区照射剂量大于D_L的体积

的最小值约束

肿瘤靶区照射剂量大于D_U的体积

的最大值约束

危及器官OAR照射剂量大于D的体积

的最大值约束

所述伽玛通过率设置模块用于设置不同感兴趣区域ROI的小于不同伽玛限值的伽玛通过率目标R_jk(表示第j个感兴趣区域ROI的第k个伽玛通过率目标的参数值)；

所述计划优化模块用于根据处方剂量目标和感兴趣区域ROI伽玛通过率目标建立多目标优化模型，公式如下：

其中F_D为肿瘤靶区PTV接受均匀处方剂量D_P照射的子目标函数，d_i为第i个感兴趣点POI的剂量计算值，w_i为对应感兴趣点的目标权重，N_D为肿瘤靶区内感兴趣点总数，F_D表示当感兴趣点POI的计算剂量偏离D_P时给予惩罚，保证肿瘤靶区受到均匀的照射剂量；F_R为不同感兴趣区域ROI的伽玛通过率子目标函数，r_jk表示对应伽玛通过率目标的计算值，w_jk为对应的目标权重，NR表示感兴趣区域ROI的总数，NT_j为第j个感兴趣区域ROI的伽玛通过率目标的总数，F_R表示当ROI计算伽玛通过率r_jk低于目标值R_jk时给予惩罚，指数q控制了惩罚的力度，迫使计算伽玛通过率达到预设目标值；由F_D和F_R加权构成待优化的总体目标函数F，以使优化前进的方向同时兼顾两种目标的实现，w_D和w_R为各子目标函数权重，控制两种子目标的优先级；不等式为肿瘤靶区和危及器官的剂量体积约束条件，对剂量分布进一步施加约束；

在优化过程中，使用非线性优化算法调用剂量计算模块计算d_i和伽玛通过率预测模块计算r_jk，按迭代公式更新射野强度分布f_j(j＝1,…,N_b)，通过实时绘制伽玛通过率-伽玛限值累积直方图(描述感兴趣区域内感兴趣点的伽玛值小于指定伽玛限值的比例)可以个体化的评估和调整不同感兴趣区域ROI的伽玛通过率目标，在保证处方剂量目标的基础上不断逼近伽玛通过率目标，得到最优计划；

所述计划输出模块用于输出最优计划。

在该实施例中，具体地，使用所述图像处理模块，由网络或存储介质加载患者的影像资料，通过自动或人工图像分割方法勾画肿瘤靶区和危及器官轮廓作为ROI。使用射野布置模块，通过自动或人工方法设置射野参数，确定射野方向、射野等中心、射野能量、射野调强复杂度的参数值。根据医师给定的处方剂量目标，包括肿瘤靶区剂量和危及器官的剂量体积约束，物理师使用处方剂量设置模块设置处方剂量目标的参数值和权重，使用伽玛通过率设置模块设置不同ROI伽玛通过率目标的参数值和权重。使用优化模块根据处方剂量目标和伽玛通过率目标建立多目标优化模型，包括目标函数向量和约束条件。采用非线性优化算法搜索多目标优化模型的最优射野强度分布，在优化过程的每个迭代步中，调用剂量计算模块计算患者体内三维剂量分布，调用伽玛通过率预测模块预测不同ROI伽玛通过率，根据这些计算结果按照非线性优化算法的迭代公式更新射野强度分布，通过实时绘制伽玛通过率-伽玛限值累积直方图可以个体化的评估和调整不同感兴趣区域ROI的伽玛通过率目标，经过不断迭代计算直到满足收敛条件获得最优的放射治疗计划。如图2所示，伽玛通过率-伽玛限值累积直方图描述了感兴趣区域内感兴趣点的伽玛值小于指定伽玛限值的比例，可以直观展示不同感兴趣区域的伽玛值分布区间，通过在累积直方图上设置和调整代表伽玛通过率目标的箭头位置，在保证处方剂量目标的基础上不断逼近伽玛通过率目标，得到最优计划。计划输出模块将最优放射治疗计划输出至放射治疗机用于放射治疗计划验证和执行放射治疗。

在上述实施例中，进一步地，所述伽玛通过率预测模块的工作过程如图3所示，包括如下步骤：

步骤1：获取历史计划的射野强度分布、测量点位置信息和测量点伽玛值；

步骤2：将步骤1得到的数据预处理为样本，并将样本划分为训练集和测试集；

步骤3：建立深度学习模型，所述训练集用于训练深度学习模型，所述测试集用于测试所述深度学习模型预测的准确性；

步骤4：将待预测放射治疗计划的射野强度分布和不同感兴趣区域ROI内感兴趣点POI的位置信息输入训练好的深度学习模型，预测感兴趣点POI的伽玛值，实现个体化的计算不同感兴趣区域ROI的小于不同伽玛限值的伽玛通过率，公式如下：

其中r_jk表示第j个感兴趣区域ROI的第k个伽玛通过率计算值，T_jk表示计算对应伽玛通过率采用的伽玛限值；δ(·)表示当括号中条件满足时取值为1，否则取值为0；g_ji表示第j个感兴趣区域ROI内第i个感兴趣点POI的预测伽玛值；NP_j表示第j个感兴趣区域ROI内的感兴趣点POI的总数。

在该实施例中，具体地，收集前期相同治疗部位患者的放射治疗计划，所有放射治疗计划均使用验证设备测量剂量分布和计算测量点伽玛值。将前期计划的射野强度分布信息、测量点位置信息和测量点伽玛值的数据预处理为能够输入深度学习模型的样本，并按照预设的比例将样本划分训练集和测试集，其中训练集用于训练深度学习模型，测试集用于测试深度学习模型的准确性。深度学习模型训练好后可以反复调用。将待预测放射治疗计划的射野强度分布和不同ROI内各POI的位置信息输入训练好的深度学习模型，预测各POI的伽玛值，并个体化的计算不同ROI内所有POI伽玛值小于预设伽玛限值的伽玛通过率，便于在优化模块中实现对不同ROI伽玛通过率的评估和调整。

在上述实施例中，更进一步地，步骤2包括：将射野强度分布和测量点位置信息，以测量点为中心，插值、裁剪和集成为多通道特征块作为样本的输入值，将测量点伽玛值作为样本的目标值。

在该实施例中，具体地，对数据预处理包括，以验证设备各测量点为中心，将射野强度分布和测量点位置信息按照预设的边长和分辨率裁剪、插值和集成为4通道特征块，射野强度分布占据1通道，三维坐标占据3通道，以多通道特征块作为样本输入值，以测量点伽玛值作为预测目标值。

在上述实施例中，更进一步地，所述深度学习模型使用U-Net神经网络，包括：输入层、编码层、解码层、跳跃连接和输出层。

在该实施例中，具体地，如图4所示，U-Net神经网络能够学习大量样本中蕴含的共同的特征模式和多层次多尺度的特征，U-net神经网络结构包括1个输入层、5个编码层、5个解码层、5个跳跃连接和1个输出层，其中输入层用于接收样本的输入特征，编码层通过5次下采样提取样本的高层次特征，解码层通过5次反卷积将高层次特征恢复到原始尺度，相同尺度的编码层和解码层的特征通过跳跃连接进行融合，融合后的特征传递给输出层用于预测伽玛值。

下面通过实验说明使用上述实施例执行放射治疗的有益效果：

实验环境为Windows 10操作系统，计算机CPU型号为Intel Core i7-8700，深度学习模型训练和预测采用的显卡为NVIDIA GTX1080Ti，集成开发环境使用Pycharm2020平台，使用Python 3.7编程语言开发。计划验证设备使用PTW OCTAVIUS 729平板电离室和RW3固体水，计算放射治疗计划测量剂量分布伽玛通过率的软件为Verisoft 6.0。实验对象为20例食管癌患者。

1、实验方法

(1)使用上述实施例执行放射治疗，包括以下步骤：

步骤1：使用图像处理模块，由网络获取20例食管癌患者CT、MR和PET影像资料，通过自动或人工图像分割方法勾画肿瘤靶区和危及器官轮廓作为ROI。

步骤2：使用射野布置模块，通过自动或人工方法设置射野参数，确定射野方向、射野等中心、射野能量、射野调强复杂度的参数值。

步骤3：物理师按照表1，使用处方剂量设置模块设置处方剂量目标的参数值和权重，使用伽玛通过率设置模块设置不同ROI伽玛通过率目标的参数值和权重。使用优化模块根据处方剂量目标和伽玛通过率目标建立多目标优化模型，采用非线性优化算法搜索多目标优化模型的最优射野强度分布，在优化过程的每个迭代步中，调用剂量计算模块计算患者体内三维剂量分布，调用伽玛通过率预测模块预测不同ROI伽玛通过率，根据这些计算结果按照非线性优化算法的迭代公式更新射野强度分布，通过实时绘制伽玛通过率-伽玛限值累积直方图可以个体化的评估和调整不同感兴趣区域ROI的伽玛通过率目标，通过在累积直方图上设置和调整代表伽玛通过率目标的箭头位置，在保证处方剂量目标的基础上不断逼近伽玛通过率目标，经过不断迭代计算直到满足收敛条件获得最优的放射治疗计划。

表1

其中，伽玛通过率预测模块的工作过程包括：

收集历史102例食管癌患者的放射治疗计划，提取共计1158个射野的强度分布信息和844182个测量点位置信息和所述测量点伽玛值的数据。计划验证设备使用PTWOCTAVIUS 729平板电离室和RW3固体水。所有放射治疗计划逐射野移植到验证模体CT上进行验证，使用平移合成测量方法获得每个验证野的高分辨率(5mm)平面剂量分布，计算测量剂量分布的伽玛通过率分析标准为2mm/2％。

将收集的数据预处理为样本。具体地，以验证设备各测量点为中心，将射野强度分布和测量点位置信息按照边长20cm和分辨率1mm裁剪、插值和集成为4通道512×512像素的特征块作为样本输入值，强度分布占据1通道，三维坐标占据3通道，以测量点伽玛值作为样本预测目标值。按照10:1的比例将样本划分训练集和测试集。

建立U-Net神经网络，训练集用于训练U-Net神经网络，测试集用于测试U-Net神经网络的准确性。U-Net神经网络训练好后可以反复调用。将待预测放射治疗计划的射野强度分布和不同ROI内POI的位置信息输入训练好的U-Net神经网络模型，预测POI的伽玛值，并个体化计算不同ROI内所有POI伽玛值小于预设伽玛限值的伽玛通过率。

步骤4：使用计划输出模块将最优放射治疗计划输出至放射治疗机，进行放射治疗计划验证，如果初次制定的放射治疗计划经测量获取的伽玛通过率结果满足各ROI伽玛通过率目标，则放射治疗计划通过验证可以用于患者的放射治疗，否则重新制定放射治疗计划，在伽玛通过率设置模块中提高未达标的ROI伽玛通过率目标的参数值和权重，重新进行优化和输出放射治疗计划，并重新进行验证，直至每例患者放射治疗计划的全部ROI伽玛通过率满足要求。

(2)使用对比例放射治疗计划优化系统执行放射治疗

对比例放射治疗计划优化系统为现有临床使用的放射治疗计划优化系统，包括：图像处理模块、射野布置模块、剂量计算模块、处方剂量设置模块、计划优化模块、计划输出模块。使用对比例放射治疗计划优化系统对20例食管癌患者制定和验证放射治疗计划，具体过程包括以下步骤：

步骤1～步骤2同上述实施例实验过程的步骤1～步骤2。

步骤3：物理师按照表2，使用处方剂量设置模块设置处方剂量目标的参数值和权重。使用优化模块根据处方剂量目标建立多目标优化模型，采用非线性优化算法搜索多目标优化模型的最优射野强度分布，在优化过程的每个迭代步中，调用剂量计算模块计算患者体内三维剂量分布，根据这些计算结果按照非线性优化算法的迭代公式更新射野强度分布，不断迭代计算直到满足收敛条件获得最优的放射治疗计划。

表2

步骤4：使用计划输出模块将最优放射治疗计划输出至放射治疗机，进行放射治疗计划验证，如果初次制定的放射治疗计划经测量获取的伽玛通过率结果满足各ROI伽玛通过率目标，则放射治疗计划通过验证可以用于患者的放射治疗，否则重新制定放射治疗计划，根据物理师的经验尝试调整放射治疗计划处方剂量目标的参数值、目标权重和射野调强复杂度的参数值，重新进行优化和输出放射治疗计划，并重新进行验证，直至每例患者放射治疗计划的全部ROI伽玛通过率满足要求。

与上述实施例的放射治疗计划优化系统相比，对比例放射治疗计划优化系统缺少伽玛通过率预测模块和伽玛通过率设置模块，因此对比例放射治疗计划优化系统建立的多目标优化模型中未引入伽玛通过率目标，无法根据伽玛通过率目标进行优化，且优化过程中无法调用伽玛通过率预测模块进行实时个体化的评估不同ROI伽玛通过率和调整优化方向。如果验证后的放射治疗计划的部分ROI伽玛通过率未达标，在重新制订放射治疗计划时，使用对比例放射治疗计划优化系统需要依赖物理师的经验尝试调整放射治疗计划的处方剂量目标的参数值、目标权重和射野调强复杂度的参数值，再重新进行优化，而使用上述实施例只需要提高未达标的ROI伽玛通过率目标的参数值和权重，再重新进行优化。因此使用对比例放射治疗计划优化系统制定放射治疗计划需要调节多个参数，优化方向不明确，是一个反复试错的过程，而使用上述实施例制定放射治疗计划时，通过调用伽玛通过率模块计算，可以实时个体化的评估不同感兴趣区域ROI的伽玛通过率达标情况，调整不满足要求的伽玛通过率目标的参数值与权重，当计算伽玛通过率低于目标值时，可以增强伽玛通过率目标的参数值和权重进行补偿，其优化方向是明确的。

2、实验结果

如图5所示，是实施例和对比例放射治疗计划优化系统优化输出的典型射野测量结果对比，左侧为实施例优化输出的一个典型射野的测量结果，右侧为对比例放射治疗计划优化系统优化输出的相同射野的测量结果，小方块代表了伽玛值未达标的测量点。得益于在实施例中引入了伽玛通过率优化目标，优化方向更加明确，避免了射野强度分布过度复杂引起的照射不确定性，提高了放射治疗计划的伽玛通过率。

使用上述实施例与对比例放射治疗计划优化系统初次制定放射治疗计划的不同ROI伽玛通过率平均值和重复制定和验证计划总次数如表3所示：

表3

实验结果显示，对于收集的20例食管癌患者，使用上述实施例初次制定放射治疗计划的ROI伽玛通过率的平均值高于使用对比例放射治疗计划优化系统初次制定放射治疗计划的结果，同时减少了因放射治疗计划的部分ROI伽玛通过率不达标，重复制定和验证放射治疗计划的总次数，提高了放射治疗流程实施的效率。

综上，本发明提出一种引入伽玛通过率优化目标的放射治疗计划优化系统，通过构建基于深度学习模型的伽玛通过率预测模块进行体素级地预测不同感兴趣点POI的伽玛值，保留了伽玛值的空间分布信息，实现个体化的计算不同感兴趣区域ROI的小于不同伽玛限值的伽玛通过率，通过在放射治疗计划的多目标优化模型中引入伽玛通过率优化目标，优化过程中调用伽玛通过率预测模块进行计算，按非线性优化算法的迭代公式更新射野强度分布，通过实时绘制伽玛通过率-伽玛限值累积直方图可以个体化的评估和调整不同感兴趣区域的伽玛通过率目标，输出同时满足临床处方剂量和伽玛通过率要求的放射治疗计划。本发明提高了放射治疗计划伽玛通过率，解决了因放射治疗计划伽玛通过率不达标，需要重复多次制定和验证放射治疗计划的问题，提高了放射治疗流程实施的效率。

本发明提供了一种引入伽玛通过率优化目标的放射治疗计划优化系统，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (7)

1.一种引入伽玛通过率优化目标的放射治疗计划优化系统，其特征在于，包括：图像处理模块、射野布置模块、剂量计算模块、伽玛通过率预测模块、处方剂量设置模块、伽玛通过率设置模块、计划优化模块和计划输出模块；

所述图像处理模块用于获取患者影像资料和分割影像的感兴趣区域ROI；

所述射野布置模块用于设置放射治疗计划的射野参数；

所述剂量计算模块用于根据射野强度分布计算患者体内三维剂量分布；

所述伽玛通过率预测模块用于预测不同感兴趣区域ROI的小于不同伽玛限值的伽玛通过率；

所述处方剂量设置模块用于设置处方剂量目标；

所述伽玛通过率设置模块用于设置不同感兴趣区域ROI的小于不同伽玛限值的伽玛通过率目标R_jk，R_jk表示第j个感兴趣区域ROI的第k个伽玛通过率目标的参数值；

所述计划优化模块用于根据处方剂量目标和感兴趣区域ROI伽玛通过率目标建立多目标优化模型，得到最优计划；

所述计划输出模块用于输出最优计划。

2.根据权利要求1所述的一种引入伽玛通过率优化目标的放射治疗计划优化系统，其特征在于，所述剂量计算模块用于根据射野强度分布计算患者体内三维剂量分布，包括：采用如下公式进行计算：

其中d_i为计算体积内第i个感兴趣点POI的剂量计算值，f_j(j＝1,…,N_b)表示射野强度分布，f_j为第j个单元束的强度，N_b为单元束的总数；k_ji为剂量沉积核密度表示单位强度的第j个单元束给予第i个感兴趣点POI的照射剂量。

3.根据权利要求2所述的一种引入伽玛通过率优化目标的放射治疗计划优化系统，其特征在于，所述伽玛通过率预测模块用于预测不同感兴趣区域ROI的小于不同伽玛限值的伽玛通过率，具体包括如下步骤：

步骤1：获取历史计划的射野强度分布、测量点位置信息和测量点伽玛值；

步骤2：将步骤1得到的数据预处理为样本，并将样本划分为训练集和测试集；

步骤3：建立深度学习模型，所述训练集用于训练深度学习模型，所述测试集用于测试所述深度学习模型预测的准确性；

步骤4：将待预测放射治疗计划的射野强度分布和不同感兴趣区域ROI内感兴趣点POI的位置信息输入训练好的深度学习模型，预测感兴趣点POI的伽玛值，实现个体化的计算不同感兴趣区域ROI的小于不同伽玛限值的伽玛通过率，公式如下：

其中r_jk表示第j个感兴趣区域ROI的第k个伽玛通过率计算值，T_jk表示计算对应伽玛通过率采用的伽玛限值；δ(·)表示当括号中条件满足时取值为1，否则取值为0；g_ji表示第j个感兴趣区域ROI内第i个感兴趣点POI的预测伽玛值；NP_j表示第j个感兴趣区域ROI内的感兴趣点POI的总数。

4.根据权利要求3所述的一种引入伽玛通过率优化目标的放射治疗计划优化系统，其特征在于，步骤2包括：将射野强度分布和测量点位置信息，以测量点为中心，插值、裁剪和集成为多通道特征块作为样本的输入值，将测量点伽玛值作为样本的目标值。

5.根据权利要求4所述的一种引入伽玛通过率优化目标的放射治疗计划优化系统，其特征在于，步骤3中，所述深度学习模型使用U-Net神经网络，包括：输入层、编码层、解码层、跳跃连接和输出层。

6.根据权利要求5所述的一种引入伽玛通过率优化目标的放射治疗计划优化系统，其特征在于，所述处方剂量设置模块用于设置处方剂量目标，具体包括：肿瘤靶区处方剂量D_P、肿瘤靶区照射剂量大于D_L的体积

的最小值约束

肿瘤靶区照射剂量大于D_U的体积

的最大值约束

危及器官OAR照射剂量大于D的体积

的最大值约束

7.根据权利要求6所述的一种引入伽玛通过率优化目标的放射治疗计划优化系统，其特征在于，所述计划优化模块用于根据处方剂量目标和感兴趣区域ROI伽玛通过率目标建立多目标优化模型，具体公式如下：

其中F_D为肿瘤靶区PTV接受均匀处方剂量D_P照射的子目标函数，w_i为对应感兴趣点的目标权重，N_D为肿瘤靶区内感兴趣点总数；F_R为不同感兴趣区域ROI的伽玛通过率子目标函数，r_jk表示对应伽玛通过率目标的计算值，w_jk为对应的目标权重，NR表示感兴趣区域ROI的总数，NT_j为第j个感兴趣区域ROI的伽玛通过率目标的总数；由F_D和F_R加权构成待优化的总体目标函数F；w_D和w_R为子目标函数权重；

在优化过程中，使用非线性优化算法调用剂量计算模块计算d_i和伽玛通过率预测模块计算r_jk，按迭代公式更新射野强度分布f_j(j＝1,…,N_b)，得到最优计划。

Images